Em Redes Neurais Convolucionais, o uso de filtros convolucionais permite explorar a estrutura espacial dos…

A conectividade local vincula cada neurônio a toda a dimensão da entrada, ampliando a quantidade de parâmetros treináveis da rede.

O compartilhamento de pesos permite que um mesmo filtro detecte padrões locais em diferentes regiões da entrada, reduzindo parâmetros treináveis.

A operação de pooling ajusta os pesos dos filtros durante o treinamento, aumentando a resolução espacial dos mapas obtidos.

O preenchimento (padding) remove as bordas da imagem antes da convolução, restringindo a extração de padrões às regiões centrais.

O passo (stride) define a quantidade total de filtros aplicados à entrada, determinando diretamente o número de canais produzidos.